APED-CXR: Adaptive Privileged Evidence Distillation for Chest X-Ray Grounding with Image-Only Inference

📄 arXiv: 2610.29740v1 📥 PDF

作者: Md Shihabul Islam Shovo, Nishi Kanta Paul, Jamil Fayyad

分类: cs.CV

发布日期: 2026-10-21

备注: 5 pages, 2 figures, 3 tables. Submitted to IEEE ISBI 2027

💡 一句话要点

提出APED-CXR以解决胸部X光图像定位问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 胸部X光 病灶定位 蒸馏训练 多模态学习 图像推理 医学影像分析 深度学习

📋 核心要点

  1. 现有的胸部X光图像模型在定位病灶时面临注释不足和推理成本高的问题。
  2. APED-CXR通过蒸馏多模态教师模型的空间证据，训练一个小型学生模型，支持图像单一推理。
  3. 在PadChest数据集上的实验显示，更新提议显著提高了框级定位F1值，且在NIH ChestX-ray14数据集上也有良好表现。

📝 摘要（中文）

本文提出了APED-CXR，一种自适应特权证据蒸馏方法，旨在通过图像单一推理实现胸部X光（CXR）图像中的病灶定位。该方法通过从冻结的多模态教师模型中提取报告信息的空间证据，训练一个仅有1110万参数的学生模型，以便在测试时仅依赖图像进行推理。实验结果表明，更新学生模型的提议可以显著提高框级定位F1值，从0.302提升至0.338，同时保持诊断AUC不变，显示出该方法在实际应用中的有效性。

🔬 方法详解

问题定义：本文旨在解决胸部X光图像中病灶定位的准确性和效率问题。现有方法依赖于昂贵的多模态模型和有限的注释数据，导致推理过程复杂且不够灵活。

核心思路：APED-CXR通过自适应特权证据蒸馏，从冻结的多模态教师模型中提取空间证据，训练一个小型学生模型，使其能够在测试时仅依赖图像进行推理。

技术框架：该方法包括教师模型和学生模型两个主要部分。教师模型使用放射图像、报告和查询类别来评估学生模型当前证据图中的区域，并生成支持分数作为训练目标。学生模型则根据这些目标更新其证据图。

关键创新：APED-CXR的创新在于通过教师模型的动态评估机制，显著提高了学生模型的定位性能。这种方法与传统的固定提议方法相比，能够更有效地利用教师模型的知识。

关键设计：在训练过程中，教师模型的支持分数被用作学生模型的训练目标，损失函数设计为优化学生模型在特定区域的证据分数。此外，学生模型的参数设置为1110万，确保了其在推理时的高效性。

🖼️ 关键图片

fig_0

📊 实验亮点

实验结果显示，APED-CXR在PadChest数据集上将框级定位F1值从0.302提升至0.338，增幅为0.036（95% CI [0.022, 0.049]），同时在NIH ChestX-ray14数据集上，框召回率也从0.423提升至0.447，表明该方法在不同数据集上的有效性和鲁棒性。

🎯 应用场景

APED-CXR的研究成果在医学影像分析领域具有广泛的应用潜力，尤其是在胸部X光图像的自动化诊断中。通过降低推理成本和提高定位准确性，该方法能够帮助医生更快速地识别病灶，从而提高诊断效率和准确性，具有重要的临床价值和社会影响。

📄 摘要（原文）

Compact chest X-ray (CXR) models that localize findings suit deployment, but box annotations are limited and report-aware multimodal models are expensive at inference. We introduce APED-CXR, which distills report-informed spatial evidence from a frozen multimodal teacher into a student with 11.1M parameters that predicts diseases and boxes from shared evidence maps and requires the image alone at test time. During training, the teacher uses the radiograph, report, and queried class to evaluate regions proposed from the student's current evidence maps, and its support scores serve as training targets for the student's pooled evidence scores within these regions. Trained on PadChest and evaluated on held-out PadChest-GR, refreshing the student's proposals for teacher evaluation improves box-level localization F1 from 0.302 with fixed warm-up proposals to 0.338 (IoU >= 0.5; gain 0.036, 95% CI [0.022, 0.049]), while maintaining diagnostic AUC. This gain depends on the teacher checking current proposals: with equally many random boxes, a fixed dense box set, teacher-generated boxes, or report rules instead of the teacher, F1 stays near the fixed-proposal level, and proposals two refreshes old recover only part of the gain. On NIH ChestX-ray14, a secondary test set, box recall also rises from 0.423 to 0.447.